Toda vez que um projeto de IA comercial entra em pauta, a mesma frase aparece na reunião: “primeiro a gente arruma o CRM”. Ela soa responsável. Na prática, costuma ser a forma mais educada de adiar indefinidamente.
Pesquisa da consultoria Blue Ridge Partners com 250 organizações comerciais encontrou um número desconfortável: apenas 13% relatam ganho mensurável com iniciativas de IA. O mesmo estudo mostra que 71% dos líderes consideram a IA um investimento necessário e que mais da metade admite que a decisão de investir foi movida por medo de ficar para trás, não por estratégia.
O detalhe que mais importa para quem cuida de CRM não é o 13%. É quem está dentro dele. Times de finanças, tecnologia e operações performam melhor do que times de vendas e marketing. E a explicação, segundo a consultoria, não tem nada a ver com qualidade de base de dados.
Por que finanças ganha de vendas nesse jogo
Erica Summers, sócia‑gerente da Blue Ridge, explicou ao CRM Buyer que áreas operacionais chegam à IA com três coisas prontas: resultado definido, processo disciplinado e dono claro do dado. Áreas de geração de receita normalmente chegam com nenhuma das três, e compram ferramenta antes de decidir onde ela deveria atuar.
O sucesso se correlaciona com alinhar pessoas, processos e tecnologia, não com caçar ferramentas.
Erica Summers, sócia-gerente da Blue Ridge Partners, ao CRM Buyer
É a mesma conclusão a que chegamos ao analisar por que o gargalo da IA nas empresas virou a implementação, e não o modelo. A tecnologia parou de ser o fator limitante faz tempo. O que trava é a distância entre o insight gerado e a ação que alguém precisa tomar na segunda‑feira de manhã.
O dado imperfeito não é o vilão que você pensa
Summers não diz que qualidade de dado é irrelevante. Ela diz algo mais útil: existe uma classe inteira de casos de uso em que o dado imperfeito ainda produz decisão boa o suficiente. Cross‑sell, up‑sell e apoio ao vendedor entram nessa classe. Previsão de receita fina e atribuição de canal, não.
A recomendação prática é reduzir o escopo até o ponto em que o ruído deixa de importar. Um exemplo citado por ela: ordenar contas por potencial, montar um plano prescritivo para cada faixa e usar inteligência de conversas para revelar sinais de compra que passaram batido. Nada disso exige um CRM impecável. Exige uma pergunta clara e um lugar no fluxo de trabalho onde a resposta cabe.
| Caso de uso | Tolerância a dado imperfeito | Por quê |
|---|---|---|
| Priorização de contas para abordagem | Alta | Basta acertar a ordem relativa, não o valor absoluto |
| Sugestão de próximo produto (cross-sell) | Alta | O padrão de compra aparece mesmo com cadastro incompleto |
| Resumo e sinais de conversas comerciais | Alta | A fonte é a interação, não o campo do CRM |
| Score de risco de churn unificado | Média | Depende de juntar sistemas que costumam estar isolados |
| Previsão de receita e atribuição | Baixa | Erro de entrada vira erro de decisão financeira |
O silo é o gargalo, não a base
Summers dá um exemplo que qualquer gestor de CRM reconhece. Risco de churn é o caso de uso mais desejado e um dos mais difíceis de operacionalizar, porque cada área olha para um sistema, uma métrica e um recorte diferente do mesmo cliente. Plataformas que juntam esses sinais existem e estão evoluindo, mas o resultado, nas palavras dela, ainda não é transformador justamente por causa dos silos.
Vale confrontar isso com o que a Forrester tem publicado. Em análise de Kate Leggett sobre agentes de IA em operações de CRM, a consultoria relata ganhos concretos em produtividade e custo de atendimento, sempre nos casos em que o agente fecha o ciclo entre dado, decisão, execução e resultado. Não é contradição com o estudo da Blue Ridge. É o mesmo diagnóstico visto pelo lado de quem acertou o desenho.
Na nossa experiência com bases de e‑commerce, a saída costuma ser começar por um recorte que já é confiável. Análise de coorte e modelos de pLTV que leem as primeiras horas do cliente funcionam bem porque dependem de poucos campos e de eventos que a loja registra corretamente. É pouco glamouroso e entrega.
Quatro perguntas antes de aprovar o próximo piloto
- Qual decisão específica muda com esse resultado, e quem é a pessoa que toma essa decisão?
- Esse insight vai aparecer dentro da ferramenta que o time já usa ou vai virar mais um relatório para ninguém abrir?
- Estamos integrando o que já temos ou comprando algo novo porque é mais fácil aprovar orçamento do que mudar processo?
- Existe meta de adoção com responsável, ou o sucesso vai ser medido pela existência da ferramenta?
A quarta pergunta é a mais negligenciada. A pesquisa aponta que adoção sobe quando gestores incorporam o resultado da IA à rotina e respondem por isso. Sem essa cobrança, o piloto vira demonstração.
Duas ressalvas de leitura. A Blue Ridge é uma consultoria, e a pesquisa dela sustenta a própria oferta de serviço. Além disso, a amostra é de organizações majoritariamente norte‑americanas, com estrutura de dados mais madura do que a média do mercado brasileiro. Isso não invalida o achado, mas sugere que aqui o número de 13% dificilmente seria maior. O caminho recomendado, porém, é o mesmo, e ele começa com escopo, não com ferramenta. Quem quiser aprofundar a leitura de sinais antes de investir em modelo, vale revisitar como ler a voz do cliente pelo comportamento e como o MCP está tirando o dado do cliente da jaula.
Perguntas frequentes
Preciso limpar o CRM antes de usar IA?
Depende do caso de uso. Para priorização de contas, sugestão de próximo produto e leitura de conversas, dado imperfeito costuma ser suficiente. Para previsão de receita e atribuição, a exigência de qualidade é bem maior.
Por que só 13% das empresas relatam ganho real?
Segundo a Blue Ridge Partners, porque muitas compram ferramenta antes de definir onde ela atua. Times com resultado definido, processo disciplinado e dono claro do dado performam melhor.
Qual o primeiro caso de uso recomendado em CRM?
Um de escopo estreito e resultado mensurável, como ordenar contas por potencial e criar um plano prescritivo por faixa. Ele exige poucos campos confiáveis e cabe no fluxo de trabalho existente.
Vale mais integrar o que já tenho ou comprar uma plataforma nova?
A pesquisa indica que empresas costumam extrair mais valor integrando as ferramentas que já possuem do que construindo sistemas novos do zero, sobretudo quando o obstáculo é o silo entre áreas.
Como medir se o projeto está funcionando?
Defina antes uma métrica de negócio, não de uso da ferramenta, e uma meta de adoção com responsável nomeado. Sem cobrança de adoção, o piloto tende a parar na fase de demonstração.
